LoslegenKostenlos loslegen

Leistung eines logistischen Modells messen

Wie du inzwischen weißt, gibt es mehrere Kennzahlen, um die Leistung eines logistischen Regressionsmodells zu messen. In dieser letzten Übung berechnest du manuell Accuracy, Sensitivity und Specificity. Hier die Definitionen zur Erinnerung:

Accuracy ist der Anteil der Vorhersagen, die korrekt sind. $$ \text{accuracy} = \frac{TN + TP}{TN + FN + FP + TP} $$

Sensitivity ist der Anteil der wahren Beobachtungen, die vom Modell korrekt als wahr vorhergesagt werden. $$ \text{sensitivity} = \frac{TP}{TP + FN} $$

Specificity ist der Anteil der falschen Beobachtungen, die vom Modell korrekt als falsch vorhergesagt werden. $$ \text{specificity} = \frac{TN}{TN + FP} $$

churn, mdl_churn_vs_relationship und conf_matrix sind verfügbar.

Diese Übung ist Teil des Kurses

Einführung in Regression mit statsmodels in Python

Kurs anzeigen

Anleitung zur Übung

  • Extrahiere die Anzahl der True Positives (TP), True Negatives (TN), False Positives (FP) und False Negatives (FN) aus conf_matrix.
  • Berechne die accuracy des Modells.
  • Berechne die sensitivity des Modells.
  • Berechne die specificity des Modells.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Extract TN, TP, FN and FP from conf_matrix
TN = ____
TP = ____
FN = ____
FP = ____

# Calculate and print the accuracy
accuracy = ____
print("accuracy: ", accuracy)

# Calculate and print the sensitivity
sensitivity = ____
print("sensitivity: ", sensitivity)

# Calculate and print the specificity
specificity = ____
print("specificity: ", specificity)
Code bearbeiten und ausführen